MASTERCLASS MINT 2026 | Sébastien Gerchinovitz | March 26, 2026

Item: MASTERCLASS MINT 2026 | Sébastien Gerchinovitz | March 26, 2026
Rating: 4
Author: PostSingularity Institute

par Sébastien Gerchinovitz

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine

🎙 Sébastien Gerchinovitz 👥 182 📅 7 avril 2026 ⏱ 69 min 👁 77 📄 cours magistral 🧭 2026-08-15

Disponible en : Français (actuel) English

Mots-clés

conformal predictionsplit conformalincertitudeapprentissage superviséquantile

Résumé

Cette masterclass, donnée par Sébastien Gerchinovitz, chercheur à l’IRT Saint-Exupéry, propose une introduction à la prédiction conforme (conformal prediction), une méthode statistique permettant de quantifier l’incertitude des prédictions issues de modèles d’apprentissage supervisé, notamment les réseaux de neurones. L’orateur commence par définir le cadre de l’apprentissage supervisé à travers des exemples concrets (reconnaissance de plantes, prédiction de la déclinaison magnétique, détection d’objets). Il souligne que les modèles de deep learning, bien que performants, peuvent échouer, d’où la nécessité de quantifier leurs erreurs. Il introduit ensuite la notion de score de non-conformité, qui mesure l’écart entre une prédiction et la vraie valeur. La méthode présentée, le split conformal prediction, se déroule en trois étapes : entraînement du modèle sur des données d’apprentissage, calcul des scores de non-conformité sur un ensemble de calibration, puis construction d’un intervalle de prédiction pour une nouvelle entrée en utilisant un quantile empirique de ces scores. L’orateur énonce le théorème principal garantissant que, sous une hypothèse d’échangeabilité des données, la probabilité que la vraie valeur soit dans l’intervalle prédit est d’au moins 1-alpha. Il détaille la preuve, qui repose sur un argument de symétrie. Enfin, il mentionne les limites de la méthode et ouvre sur des extensions possibles.

201 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’exposé fournit une introduction claire et pédagogique à une méthode statistique rigoureuse, avec des exemples concrets et une preuve mathématique complète. L’argumentation est solide, structurée et progressive, permettant de comprendre les fondements de la prédiction conforme. L’orateur prend soin de définir les concepts clés et de justifier chaque étape, ce qui renforce la crédibilité de l’exposé.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : l’orateur s’appuie sur des références académiques reconnues (Vovk et al. 2005) et présente une preuve formelle. La qualité des sources est correcte, bien que la vidéo ne fournisse pas de bibliographie détaillée. L’adéquation entre le titre et le contenu est partielle : le titre générique de la masterclass ne reflète pas le sujet spécifique, mais cela n’affecte pas la qualité intrinsèque du contenu.

147 mots

Adéquation titre / contenu

Le titre est générique et ne reflète pas le contenu spécifique (conformal prediction), mais reste acceptable dans le cadre d'une masterclass.

Qualité & fiabilité

8/10

Exposé structuré et rigoureux, avec preuve mathématique complète, s'appuyant sur des références académiques reconnues (Vovk et al. 2005). Le contenu est précis et bien expliqué, mais la portée est limitée à une introduction.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Page de l'événement MINT 2026 — Page officielle de la masterclass, mentionnée dans la description de la vidéo.

Sources concordantes

Conformal prediction (Wikipedia) — Article de synthèse qui confirme les principes et garanties de la prédiction conforme.

Apport & nouveautés

L’apport original de cette vidéo est de fournir une introduction claire et accessible à la prédiction conforme, une méthode statistique souvent peu connue, en mettant l’accent sur la preuve mathématique et les hypothèses sous-jacentes. L’orateur réussit à expliquer des concepts complexes de manière pédagogique, ce qui est précieux pour un public non spécialiste.

Pour aller plus loin :

Conformal prediction (Wikipedia) — Article de synthèse sur la prédiction conforme, ses variantes et applications.
Vovk et al. (2005) - Algorithmic Learning in a Random World — Ouvrage de référence sur la prédiction conforme, cité dans la vidéo.
Split conformal prediction (article) — Article fondateur de la méthode split conformal, proposant une approche simple et efficace.

114 mots

Profil radar

Le profil radar montre des scores élevés en qualité d'information et en fiabilité, mais un score légèrement inférieur en quantité d'information, ce qui reflète le caractère introductif de l'exposé. Le niveau technique est bon, indiquant une certaine exigence mathématique.

Fiabilité 8/10